Deepx verlagert den Schwerpunkt von reiner Beschleunigerleistung hin zu einer breiteren Plattform für physische KIArtificial IntelligenceKI bezeichnet Verfahren, die Aufgaben durch datengetriebene Modelle automatisieren.. Für den Hersteller ist nicht nur entscheidend, wie viele TOPSTera Operations Per SecondDie Kennzahl beschreibt die Rechenleistung von KI-Beschleunigern in Billionen Operationen pro Sekunde. eine NPUNeural Processing UnitEine NPU ist ein spezialisierter Prozessor für neuronale Netzwerke und KI-Inferenz. liefert, sondern ob Entwickler ihre Modelle einfach aufsetzen, portieren und später in Produktion bringen können. Genau an dieser Stelle sieht Deepx den entscheidenden Unterschied zwischen einem kurzfristigen Benchmark-Vorteil und einer dauerhaft tragfähigen Marktposition.
Der Ansatz ist offen angelegt: Statt einen geschlossenen Software-Stack aufzubauen, koppelt Deepx seine Neural Processing Units an bereits verbreitete Modellframeworks, Entwicklungsumgebungen und Embedded-Plattformen. Genannt werden unter anderem Ultralytics YOLOYou Only Look OnceYOLO ist eine Familie von Verfahren für schnelle Objekterkennung in Bildern und Videos., Baidu PaddlePaddle und Raspberry Pi; zudem arbeitet das Unternehmen an Unterstützung für Nvidia Isaac und weitere Softwareumgebungen. Ziel ist, dass Entwickler ihre Software nicht bei jedem Plattformwechsel neu schreiben müssen.
Hintergrund ist die Fragmentierung physischer KIArtificial IntelligenceKI bezeichnet Verfahren, die Aufgaben durch datengetriebene Modelle automatisieren.-Anwendungen. Anders als in der Cloud müssen Systeme in Kameras, Robotern, Fahrzeugen, Drohnen, Industrieanlagen und anderen Geräten sehr unterschiedliche Anforderungen an Leistung, Temperatur, Sensorik, Betriebssystem und Echtzeitverhalten erfüllen. Für Deepx ist genau diese Heterogenität eine der größten Hürden auf dem Weg von der Machbarkeitsstudie zur Serienanwendung.
Das Unternehmen beschreibt den Markt in drei Phasen: Zuerst muss die Hardware mit klaren Leistungsdaten überzeugen. Danach geht es um Design-Wins, Massenproduktion und eine belastbare IP1. image placement2. Internet protocolSchnittstellen- oder Kommunikationskonzept für die Übertragung von Daten zwischen Geräten und Systemen.3. Intellectual PropertyIm Halbleiterkontext bezeichnet IP lizenzierbare Technologieblöcke für die Integration in Chips oder SoCs.-Basis. In der dritten Phase entsteht ein Ökosystem, in dem Entwickler mit vertrauten Werkzeugen Modelle entwickeln, deployen und betreiben können. Die technische Leistung bleibt damit wichtig, reicht aber allein nicht mehr aus.
Besonders kritisch sind nach dieser Lesart die Übergänge vom Proof of Concept zur Produktion. Deepx nennt vier Barrieren: Energie- und Thermikgrenzen, Modellkompatibilität, Systemkosten und Produktionsreife. Gerade bei Kameras, Robotern und Drohnen lassen sich Rechenleistung und Kühlung aus dem Rechenzentrum nicht einfach übertragen; das verfügbare Leistungs- und Wärmebudget des Endgeräts setzt enge Grenzen.
Auch die Systemkosten betrachtet Deepx ganzheitlich. Maßgeblich ist nicht der Preis der NPUNeural Processing UnitEine NPU ist ein spezialisierter Prozessor für neuronale Netzwerke und KI-Inferenz. allein, sondern die Gesamtkosten des Systems inklusive Speicher, Host-Prozessor, Power-Management und Kühlung. Hinzu kommen Anforderungen an Lieferfähigkeit, Fertigungsqualität, Ausbeute, Langzeit-Software-Support und den Nachweis im realen Feldeinsatz. Daraus leitet das Unternehmen ein neues Rollenbild für Halbleiteranbieter ab: Sie sollen Kunden nicht nur Chips liefern, sondern auch bei Modellanpassung, Softwareintegration, Pilotfertigung und Serienhochlauf begleiten.
Ein weiterer Schwerpunkt ist Portabilität. Deepx will Entwicklern ermöglichen, Modelle zunächst auf vertrauter Hardware zu validieren und sie anschließend mit möglichst wenig Umstellungsaufwand auf industrielle Kameras, Roboter, Gateways und Produktionssysteme zu übertragen. Diese Idee zieht sich auch durch die Vertriebsstrategie: Mit 27 Distributoren, darunter Avnet, WPG, Macnica und DigiKey, setzt das Unternehmen auf Partner, die zunehmend technische Unterstützung und Design-in-Arbeit leisten sollen.
Als besonders aussichtsreich für den Massenmarkt sieht Deepx intelligente Bildverarbeitung. Sicherheit, Videoüberwachung, Transport, Handel, Fabriküberwachung und Machine Vision verfügen bereits über eine große installierte Kamerabasis, während sich KIArtificial IntelligenceKI bezeichnet Verfahren, die Aufgaben durch datengetriebene Modelle automatisieren.-Anwendungen dort relativ direkt wirtschaftlich rechtfertigen lassen. Parallel prüft das Unternehmen mit seinem Konzept „Federated AIartificial intelligence“, wie sich Training im Rechenzentrum, lokale Inferenz auf Edge-Geräten und zentrale Flottenverwaltung verbinden lassen. Deepx verweist dabei auf eine interne Analyse mit der Aussicht auf bis zu 100-fache Ressourceneffizienz in bestimmten Konfigurationen sowie auf eine Simulation eines 100-Billionen-Parameter-Mixture-of-Experts-Modells, bei dem eine 5-W-KIArtificial IntelligenceKI bezeichnet Verfahren, die Aufgaben durch datengetriebene Modelle automatisieren.-Beschleunigerklasse mehr als 10 Tokens pro Sekunde erreichen könnte. Die Angaben sollen zeigen, wie weit sich Rechenlasten in manchen Szenarien an den Rand verlagern lassen.